Análise dos Dados

TODO: Separar o que foi feito no dataset bruto do depois das mudanças

import numpy as np
import pandas as pd
from plotly import express as px, io as pio
pd.options.plotting.backend = 'plotly'
pio.renderers.default = 'plotly_mimetype+notebook_connected'

Análises de dados e investigações no Dataset bruto

Descrição de como foi feita a análise(perguntas que foram feitas para a base, possíveis pontos de limpeza, versões do python e bibliotecas)

essa é a parte que viemos fazendo até agora, identificando o que nos será útil da base que escolhemos

output_file = '../data/cursos.csv.zip'
df = pd.read_csv(output_file, dtype={'cod_municipio': int})
df

	ano	regiao	uf	cod_municipio	nome_municipio	capital	latitude	longitude	cod_area	area	curso	rede_publica	presencial	bacharel	ingressantes	ingressantes_fem	concluintes	concluintes_fem	frac_ingressantes	frac_concluintes
0	2010	Norte	RO	1100049	Cacoal	False	-11.4343	-61.4562	51	Ciências biológicas e correlatas	Biologia	False	True	True	21	13	6	4	0.619048	0.666667
1	2010	Norte	RO	1100049	Cacoal	False	-11.4343	-61.4562	71	Engenharia e profissões correlatas	Gestão ambiental	False	True	False	61	26	27	12	0.426230	0.444444
2	2010	Norte	RO	1100049	Cacoal	False	-11.4343	-61.4562	71	Engenharia e profissões correlatas	Gestão ambiental	False	False	False	88	48	10	5	0.545455	0.500000
3	2010	Norte	RO	1100064	Colorado do Oeste	False	-13.1174	-60.5454	71	Engenharia e profissões correlatas	Gestão ambiental	True	True	False	59	33	23	11	0.559322	0.478261
4	2010	Norte	RO	1100122	Ji-Paraná	False	-10.8777	-61.9322	71	Engenharia e profissões correlatas	Gestão ambiental	False	False	False	109	52	32	15	0.477064	0.468750
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
17974	2019	Centro-Oeste	DF	5300108	Brasília	True	-15.7795	-47.9297	71	Engenharia e profissões correlatas	Gestão ambiental	False	False	False	25	13	6	3	0.520000	0.500000
17975	2019	Centro-Oeste	DF	5300108	Brasília	True	-15.7795	-47.9297	71	Engenharia e profissões correlatas	Gestão ambiental	False	False	False	17	7	9	3	0.411765	0.333333
17976	2019	Centro-Oeste	DF	5300108	Brasília	True	-15.7795	-47.9297	71	Engenharia e profissões correlatas	Gestão ambiental	False	False	False	24	8	3	2	0.333333	0.666667
17977	2019	Centro-Oeste	DF	5300108	Brasília	True	-15.7795	-47.9297	71	Engenharia e profissões correlatas	Gestão ambiental	False	False	False	48	14	20	2	0.291667	0.100000
17978	2019	Centro-Oeste	DF	5300108	Brasília	True	-15.7795	-47.9297	54	Matemática e estatística	Estatística	True	True	True	88	23	23	6	0.261364	0.260870

17979 rows × 20 columns

Histograma

Ingressantes

px.histogram(df, x='frac_ingressantes', color='cod_area', barmode='stack')

Concluintes

px.histogram(df, x='frac_concluintes', color='cod_area', barmode='stack')

Agrupado por features

def get_grouped(df: pd.DataFrame, by_col=None):
  by_cols = ['ano'] if by_col == None else ['ano', by_col]
  use_cols = by_cols + ['ingressantes', 'concluintes', 'ingressantes_fem', 'concluintes_fem']
  dfg = df[use_cols].groupby(by=by_cols, as_index=False).sum()
  dfg = dfg.melt(
    id_vars = use_cols[:-4],
    value_vars = use_cols[-4:],)
  return dfg

def calc_round_ceil(df, value='value', div=1000):
  return np.ceil(df[value].max() / div) * div

Total

dfg = get_grouped(df)
dfg

	ano	variable	value
0	2010	ingressantes	118827
1	2011	ingressantes	135779
2	2012	ingressantes	162190
3	2013	ingressantes	172348
4	2014	ingressantes	182698
5	2015	ingressantes	172402
6	2016	ingressantes	163485
7	2017	ingressantes	158239
8	2018	ingressantes	147192
9	2019	ingressantes	153755
10	2010	concluintes	44043
11	2011	concluintes	49723
12	2012	concluintes	57057
13	2013	concluintes	57947
14	2014	concluintes	57994
15	2015	concluintes	58216
16	2016	concluintes	59397
17	2017	concluintes	58377
18	2018	concluintes	55737
19	2019	concluintes	56185
20	2010	ingressantes_fem	31650
21	2011	ingressantes_fem	36712
22	2012	ingressantes_fem	43211
23	2013	ingressantes_fem	45463
24	2014	ingressantes_fem	46855
25	2015	ingressantes_fem	42820
26	2016	ingressantes_fem	40108
27	2017	ingressantes_fem	38112
28	2018	ingressantes_fem	35387
29	2019	ingressantes_fem	37935
30	2010	concluintes_fem	12286
31	2011	concluintes_fem	13956
32	2012	concluintes_fem	16219
33	2013	concluintes_fem	16867
34	2014	concluintes_fem	16736
35	2015	concluintes_fem	16640
36	2016	concluintes_fem	16291
37	2017	concluintes_fem	15930
38	2018	concluintes_fem	14413
39	2019	concluintes_fem	14809

lineplot

px.line(dfg, x='ano', y='value', line_dash='variable', range_y=[0, None])

Por Região

var = 'regiao'
dfg = get_grouped(df, var)
dfg

	ano	regiao	variable	value
0	2010	Centro-Oeste	ingressantes	9865
1	2010	Nordeste	ingressantes	13979
2	2010	Norte	ingressantes	6579
3	2010	Sudeste	ingressantes	71278
4	2010	Sul	ingressantes	17126
...	...	...	...	...
195	2019	Centro-Oeste	concluintes_fem	1056
196	2019	Nordeste	concluintes_fem	2121
197	2019	Norte	concluintes_fem	890
198	2019	Sudeste	concluintes_fem	8286
199	2019	Sul	concluintes_fem	2456

200 rows × 4 columns

lineplot

px.line(dfg, x='ano', y='value', color=var, line_dash='variable', range_y=[0, None])

barplot

px.bar(dfg, x=var, y='value', color='variable', barmode='group', animation_frame='ano', range_y=[0, calc_round_ceil(dfg)])

scatterplot

px.scatter(df, x='frac_ingressantes', y='frac_concluintes', color='regiao', opacity=.75, size='concluintes_fem')

Por Unidade Federativa

var = 'uf'
dfg = get_grouped(df, var)
dfg

	ano	uf	variable	value
0	2010	AC	ingressantes	514
1	2010	AL	ingressantes	924
2	2010	AM	ingressantes	2405
3	2010	AP	ingressantes	202
4	2010	BA	ingressantes	3287
...	...	...	...	...
1075	2019	RS	concluintes_fem	1010
1076	2019	SC	concluintes_fem	512
1077	2019	SE	concluintes_fem	90
1078	2019	SP	concluintes_fem	4957
1079	2019	TO	concluintes_fem	65

1080 rows × 4 columns

lineplot

px.line(dfg, x='ano', y='value', color=var, line_dash='variable', range_y=[0, None])

barplot

px.bar(dfg, x=var, y='value', color='variable', barmode='group', animation_frame='ano', range_y=[0, calc_round_ceil(dfg)])

scatterplot

px.scatter(df, x='frac_ingressantes', y='frac_concluintes', color='uf', opacity=.75, size='concluintes_fem') #, animation_frame='ano')

Por se é Capital

var = 'capital'
dfg = get_grouped(df, var)
dfg

	ano	capital	variable	value
0	2010	False	ingressantes	55133
1	2010	True	ingressantes	63694
2	2011	False	ingressantes	62350
3	2011	True	ingressantes	73429
4	2012	False	ingressantes	77846
...	...	...	...	...
75	2017	True	concluintes_fem	7746
76	2018	False	concluintes_fem	7492
77	2018	True	concluintes_fem	6921
78	2019	False	concluintes_fem	7677
79	2019	True	concluintes_fem	7132

80 rows × 4 columns

lineplot

px.line(dfg, x='ano', y='value', color=var, line_dash='variable', range_y=[0, None])

barplot

px.bar(dfg, x=var, y='value', color='variable', barmode='group', animation_frame='ano', range_y=[0, calc_round_ceil(dfg)])

scatterplot

px.scatter(df, x='frac_ingressantes', y='frac_concluintes', color='capital', opacity=.75, size='concluintes_fem')

Por Area STEM

var = 'cod_area'
dfg = get_grouped(df, var)
dfg

	ano	cod_area	variable	value
0	2010	51	ingressantes	7009
1	2010	53	ingressantes	6892
2	2010	54	ingressantes	1660
3	2010	61	ingressantes	54624
4	2010	71	ingressantes	48642
...	...	...	...	...
195	2019	51	concluintes_fem	2893
196	2019	53	concluintes_fem	1448
197	2019	54	concluintes_fem	320
198	2019	61	concluintes_fem	3858
199	2019	71	concluintes_fem	6290

200 rows × 4 columns

lineplot

px.line(dfg, x='ano', y='value', color=var, line_dash='variable', range_y=[0, None])

cod_areas = {
  51: 'Ciên. Biológicas',
  53: 'Ciên. Físicas',
  54: 'Matemática & Estatística',
  61: 'Computação',
  71: 'Engenharia',
}

barplot

dfg[var] = dfg[var].map(cod_areas)
px.bar(dfg, x=var, y='value', color='variable', barmode='group', animation_frame='ano', range_y=[0, calc_round_ceil(dfg)])

scatterplot

px.scatter(df, x='frac_ingressantes', y='frac_concluintes', color='area', opacity=.75, size='concluintes_fem', range_x=[0,1], range_y=[0,1])

Por se é Rede Pública

var = 'rede_publica'
dfg = get_grouped(df, var)
dfg

	ano	rede_publica	variable	value
0	2010	False	ingressantes	82799
1	2010	True	ingressantes	36028
2	2011	False	ingressantes	92579
3	2011	True	ingressantes	43200
4	2012	False	ingressantes	113823
...	...	...	...	...
75	2017	True	concluintes_fem	8203
76	2018	False	concluintes_fem	6209
77	2018	True	concluintes_fem	8204
78	2019	False	concluintes_fem	5982
79	2019	True	concluintes_fem	8827

80 rows × 4 columns

lineplot

px.line(dfg, x='ano', y='value', color=var, line_dash='variable', range_y=[0, None])

barplot

px.bar(dfg, x=var, y='value', color='variable', barmode='group', animation_frame='ano', range_y=[0, calc_round_ceil(dfg)])

scatterplot

px.scatter(df, x='frac_ingressantes', y='frac_concluintes', color='rede_publica', opacity=.75, size='concluintes_fem')

Por se é Presencial

var = 'presencial'
dfg = get_grouped(df, var)
dfg

	ano	presencial	variable	value
0	2010	False	ingressantes	8099
1	2010	True	ingressantes	110728
2	2011	False	ingressantes	9181
3	2011	True	ingressantes	126598
4	2012	False	ingressantes	13438
...	...	...	...	...
75	2017	True	concluintes_fem	14653
76	2018	False	concluintes_fem	1126
77	2018	True	concluintes_fem	13287
78	2019	False	concluintes_fem	1216
79	2019	True	concluintes_fem	13593

80 rows × 4 columns

lineplot

px.line(dfg, x='ano', y='value', color=var, line_dash='variable', range_y=[0, None])

barplot

px.bar(dfg, x=var, y='value', color='variable', barmode='group', animation_frame='ano', range_y=[0, calc_round_ceil(dfg)])

scatterplot

px.scatter(df, x='frac_ingressantes', y='frac_concluintes', color='presencial', opacity=.75, size='concluintes_fem')

Por se é Bacharelado

var = 'bacharel'
dfg = get_grouped(df, var)
dfg

	ano	bacharel	variable	value
0	2010	False	ingressantes	44212
1	2010	True	ingressantes	74615
2	2011	False	ingressantes	51459
3	2011	True	ingressantes	84320
4	2012	False	ingressantes	58819
...	...	...	...	...
75	2017	True	concluintes_fem	11779
76	2018	False	concluintes_fem	3868
77	2018	True	concluintes_fem	10545
78	2019	False	concluintes_fem	3855
79	2019	True	concluintes_fem	10954

80 rows × 4 columns

lineplot

px.line(dfg, x='ano', y='value', color=var, line_dash='variable')

barplot

px.bar(dfg, x=var, y='value', color='variable', barmode='group', animation_frame='ano', range_y=[0, calc_round_ceil(dfg)])

scatterplot

px.scatter(df, x='frac_ingressantes', y='frac_concluintes', color='bacharel', opacity=.75, size='concluintes_fem')